-
GAN主要由两个模型组成:一个生成模型G负责捕捉数据的分布;另一个是判别器模型,负责判断样本是来自于数据集还是来自于生成模型G。
-
在实际训练时,更新D模型k次,然后更新一次模型G。
-
在训练的早期,生成模型G是比较差的,所以判别器D会很自信得对来自生成模型G的样本打低分。这种情况下,生成模型G对应的Loss函数梯度基本为0。也就是说刚开始训练的时候生成模型G会学习的很慢。针对这个问题,Goodfellow用“最大化
”去替代“最小化
”。
优缺点
缺点
- 不能显示的表达出
的表达式。
- 在训练的时候,模型G和模型D必须要相互协调。
优点
- 不需要用到马尔科夫链。
- 可以整合许多函数到模型中去。
网友评论